一种基于卷积神经网络和EEG的大脑疲劳检测方法与流程

一种基于卷积神经网络和eeg的大脑疲劳检测方法
技术领域
1.本发明涉及大脑疲劳检测方法技术领域，具体为一种基于卷积神经网络和eeg的大脑疲劳检测方法。


背景技术：

2.脑电图(eeg)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，在临床医学方面，脑电信号处理可为某些脑疾病提供诊断依据和治疗手段。脑电信号可用于检测人的情感状态、睡眠质量、癫痫发作检测等方面。脑电信号在每种大脑状态时表现不同的波形，睡眠时的脑电信号时身体自发产生的，可以反映出大脑在睡眠时的生理活动，通过对脑电信号的分析可对睡眠质量进行判断，从而对大脑疲劳程度进行判断。
3.脑电信号中包含时域、频域和空间域信息，由于时域信息直观性强、物理意义比较明确，直接从时域上提取eeg特征信息是最早发展起来的特征，过去的eeg分析主要靠肉眼观察。随着计算机图像处理的发展，可通过计算机对eeg数据进行分析，分析方法有：k近邻、支持向量机、决策树、人工神经网络等。在多数实验中使用ann进行eeg分析有更高的准确率。
4.卷积神经网络(cnn)是一类包含卷积计算且具有深度结构的前馈神经网络。cnn的输入层可以处理多维数据，由于使用梯度下降算法进行学习，cnn的输入特征需要进行标准化处理。处理后的数据通过隐含层，隐含层主要包括卷积层、池化层和全连接层，随着cnn的发展在一些模型中可能包含例如inception模块、残差块等复杂结构。卷积层主要是对输入数据进行特征提取，内部包含多个卷积核，该层参数包括卷积核大小、步长和填充。卷积层中包含激活函数以协助表达复杂特征；池化层可对数据进行降维，减少计算量且防止过拟合。全连接层的作用则是对提取的特征进行非线性组合以得到输出。输出层对于不同的问题可设置不同的输出，对于图像分类问题，输出层设置为输出分类标签，物体识别问题，可设计为目标物体的坐标。
5.随着卷积神经网络的发展，许多经典模型被提出，如：alexnet模型、vggnet模型、googlenet模型、resnet模型和densenet模型。卷积神经网络层数的不断增加，出现梯度消失和模型退化问题，resnet模型的核心思想是建立前面层与后面层之间的短路连接，解决了神经网络中的退化问题。densenet的基本思路与resnet一致，它是建立前面所有层与后面层的密集连接。densenet通过特征在通道维度上的连接实现特征重用，加强网络中特征的传递，有效的对特征进行了复用，densenet减轻了梯度消失问题并且在一定程度上减少了网络的参数数量。
6.在样本较少的情况下，利用svm进行分类的效果要优于其他分类器，在此基础上，许多研究者开始使用svm代替卷积神经网络中的softmax分类器，使图像分类的识别准确率进一步提高。
7.支持向量机是依据统计学理论的算法，是传统机器学习中最常用的算法之一，属
于监督学习。svm在处理小样本数据集的问题中显示出很好的优势，在保证性能的同时，使用该算法还能够将学习过程中用到的过拟合以及维数爆炸等问题。
8.svm最初的目的是为了寻找一个分类效果比较好的平面，使样本中的数据和该平面相距较远，能够把两种不同类别的样本分开，并且在其两侧各存在一个与决策边界平行的超平面，此时，两超平面之间的距离被称为间隔。
9.svm分类器相比其他分类器，在数据量较少的情况下，获得较高的识别准确率，效率也比较高，同时还能防止过拟合现象的发生；因为许多分类任务大多都是非线性分类的，所以为了解决此类问题我们引入核函数，在保证计算量复杂度都不增加的基础上，将许多在低维空间不可分的问题转化为在高维空间中的线性可分问题；能够利用不同的核函数实现对数据集的分类；对于传统机器学习算法无法解决最优解的问题进行优化处理。
10.最近实验表明，以卷积神经网络为基础对eeg信号进行分析要优于其他的算法，可以有效提高对大脑疲劳进行分类的准确度和精度。通过引入densenet，相对于仅仅使用经典的卷积神经网络对睡眠时产生的脑电信号进行分析，可更有效的利用eeg信号所包含的特征，将经卷积神经网络学习到的eeg特征输入svm能够实现对大脑疲劳状态的分类。


技术实现要素：

11.本发明的目的在于提供一种基于卷积神经网络和eeg的大脑疲劳检测方法，该方法的步骤包括：
12.第一步，将eeg数据传入卷积神经网络输入层：通过傅里叶变换对不同频段的eeg信号进行提取；
13.eeg信号可分为α波、β波、δ波和θ波四种基本特征波，通过傅里叶变换对四种基本特征波进行提取。
14.第二步，提取eeg特征：eeg数据输入卷积神经网络之后，经卷积池化提取的图像特征，经过全连接层转换为一维数据；
15.为了更好的对脑电信号特征进行提取，使用具有特征重用特点的densenet对特征进行提取。densenet中具有密集连接机制，每一层都获得来自前面所有层的输出，将输出进行连接后作为该层的输入，densenet模型可对特征进行充分利用正是由于这种密集链接机制，该网络还在一定程度上减少了参数数量且减轻梯度消失问题的出现；
16.在densenet中，每一层的输入均来自前面的所有层，即第i层的输入与之前所有层的输出相关，假设xi表示第i层输出，则xi可以表示为
17.hi([x0,x1,
…
,x
i―1
]),i＝1,2,
…
,n；
[0018]
[]代表拼接操作，hi(
·
)表示非线性转化函数，是一个组合操作，densenet主要由密集块和过渡层构成，密集块中包含多层，每层的特征图大小同，通道数发生改变；过渡层是将不同的密集块进行连接的模块，主要用于整合密集块获得的特征；
[0019]
在密集块中采用的非线性组合函数hi(
·
)是bn、激活函数和3
×
3卷积，假定输入的特征图的数量为k0，密集块各层卷积后均输出k个特征图，则第n层共有k0+(n―1)k个输入的特征图，其中k为网络增长率，在密集块中可加入 bottleneck层，即增加bn、激活函数、1
×
1卷积，可减少输入的特征图数量，融合各通道特征；
[0020]
过渡层用于密集块之间的连接，过渡层由bn、激活函数、1
×
1卷积和2
×
2平均池化
组成，由于其压缩模型的作用，假设密集块输出的特征图数量为m，经过过渡层后可产生θm个输出特征图，θ∈(0,1]为压缩因子。
[0021]
第三步，构建svm分类器：将经过卷积神经网络处理后的数据作为svm的输入，对svm模型进行训练；
[0022]
将svm算法模型作为分类器代替卷积神经网络中的softmax，构建svm分类器；
[0023]
svm的目标就是快速找出唯一的一个间隔最大超平面，对于训练集s，{xi,yi},i＝1,2,
…
,m,xi∈rc,yi∈{―1,1}，其中xi，yi分别为输入样本，输出样本，1和-1分别表示样本的两种类别，线性决策函数的分类模型为：
[0024]
f(x)＝w
t
x+b；
[0025]
其中，w是超平面的权值向量，和分割超平面垂直，x是样本目标特征的量化，b是分割超平面的偏移量，也就是可以确定超平面与原点之间的距离；
[0026]
如果f(x)》0，则训练集s中的y赋值为1，否则为-1，两支持平面之间的距离是即间隔，为了保证是最大间隔就需要使成为最小，从而能够找到更好的决策边界，最优化分类问题实际上是求解:
[0027][0028]
为了使解决凸二次规划问题时计算过程更加简单，通过拉格朗日算子对w、b进行调节，将有约束的目标函数转化为新构造的无约束拉格朗日目标函数：
[0029][0030]
其中，ai为拉格朗日因子，求拉格朗日目标函数的最优解，令w和b的偏导数为0，可以得出：
[0031][0032]
所以，最终得到的判决函数为：
[0033][0034]
其中ign(x)和b
*
为拉格朗日目标函数最优解时对应的a和b，sign(x)为符号函数；
[0035]
将核函数引入支持向量机，代替非线性映射函数的内积运算，能够有效地将低维度的数据在不增加计算复杂性的基础上映射到高维度数据，能够处理非线性问题，并取得较好的分类效果，所以为了解决不可分问题，采用常用的高斯核函数作为svm的分类核函数，其数学定义如下所示：
[0036][0037]
公式中，x2表示中心坐标值，σ表示函数的带宽，对函数的径向作用范围起到控制作用。
[0038]
第四步，eeg信号预测结果：使用构造的svm分类器对数据进行迭代训练，得出该网络模型的预测结果。
[0039]
将基于卷积神经网络的大脑疲劳检测方法应用到大脑疲劳的检测中，包括：使用该方法对脑电图信号进行分类判断，进行二分类，判断该输入代表的是疲劳还是不疲劳，具体来说，将脑电图信号分为训练集和验证集，先将训练集输入到网络中进行迭代训练，然后再将验证集输入对我们训练的网络进行验证。
[0040]
与现有技术相比，本发明的有益效果如下：本发明不仅有效的利用eeg信号对大脑疲劳进行了分类，并且对于大脑疲劳进行了预测，本方法中引入了densenet对特征进行提取，densenet通过特征在通道维度上的连接实现特征重用并且可以减轻梯度消失问题，相比其他的网络，densenet所需要的参数数量较少，可以降低存储开销，并且减少计算量，效率高，除此之外，densenet具有非常好的抗拟合性能，尤其适合训练数据相对匮乏的情况。在卷积神经网络中将svm 算法模型作为分类器代替卷积神经网络中的softmax，构建svm分类器，
[0041]
svm分类器相比其他分类器，在数据量较少的情况下，获得较高的识别准确率，效率也比较高，同时还能防止过拟合现象的发生；因为许多分类任务大多都是非线性分类的，所以为了解决此类问题我们引入核函数，在保证计算量复杂度都不增加的基础上，将许多在低维空间不可分的问题转化为在高维空间中的线性可分问题；能够利用不同的核函数实现对数据集的分类；对于传统机器学习算法无法解决最优解的问题进行优化处理。
附图说明
[0042]
图1是本发明的的网络结构示意图；
[0043]
图2是本发明的densenet模型中稠密块的结构示意图；
[0044]
图3是本发明的支持向量机结构示意图；
[0045]
图4是本发明的整体流程图。
具体实施方式
[0046]
请参阅图1所示，本实施例为基于卷积神经网络对大脑疲劳状态进行检测方法的网络结构。对脑电图进行特征提取使用densenet进行，图1中的密集块中包含多个组合操作，每个组合操作包含batch normalization、relu和3
×
3卷积。假定输入的特征图的数量为k0，密集块各层卷积后均输出k个特征图，则第n层共有k0+(n―1)k个输入的特征图，其中k为网络增长率，其中每层的特征图大小相同，通道数发生改变。假设密集块的输入数据为h
×w×
k0的3d 张量，则密集块的输出数据为h
×w×
(k0+(n-1)k)的3d张量。
[0047]
过渡层用于密集块之间的连接，过渡层由bn、激活函数、1
×
1卷积和2
×
2平均池化组成。由于其压缩模型的作用，假设密集块输出的特征图数量为m，经过过渡层后可产生θm个输出特征图，θ∈(0,1]为压缩因子。假设过渡层的输入数据为h
×w×
m的3d张量，平均池化使得特征图的尺寸减半，过渡块的输出数据为的3d张量。
[0048]
请参阅图2所示，本实施例为基于卷积神经网络对大脑疲劳状态进行检测方法的网络结构中的密集块结构图，密集块中采用密集链接机制，每一层的输入均来自前面的所有层，即第i层的输入与之前所有层的输出相关，假设xi表示第i 层输出，则xi可以表示为xi＝hi([x0,x1,
…
,x
i―1
]),i＝1,2,
…
,n[]代表拼接操作，hi(
·
)表示非线性转化函数，是一
个组合操作。
[0049]
请参阅图3所示，本实施例为支持向量机结构图，使用svm代替卷积神经网络中的softmax层进行分类，其优点在于，可使得在具有较少数据时也可获得更高的准确率，同时还可防止过拟合的发生。
[0050]
svm的目标就是快速找出唯一的一个间隔最大超平面。对于训练集s，{xi,yi},i＝1,2,
…
,m,xi∈rc,yi∈{―1,1}, 其中xi，yi分别为输入样本，输出样本，1和-1分别表示样本的两种类别。线性决策函数的分类模型为:
[0051]
f(x)＝w
t
x+b；
[0052]
其中，w是超平面的权值向量，和分割超平面垂直，x是样本目标特征的量化，b是分割超平面的偏移量，也就是可以确定超平面与原点之间的距离；
[0053]
如果f(x)》0，则训练集s中的y赋值为1，否则为-1，两支持平面之间的距离是即间隔，为了保证是最大间隔就需要使成为最小，从而能够找到更好的决策边界，最优化分类问题实际上是求解:
[0054][0055]
请参阅图4所示，本实施例为基于卷积神经网络对大脑疲劳状态进行检测方法的整体流程图，首先对使用傅里叶变换对不同频段的eeg信号进行提取，提取的四个频段的脑电信号为：δ波(0.5-4hz)、θ波(4-8hz)、α波 (8-13hz)和β波(13-40hz)，对预处理后的图像进行特征提取，之后输入svm，对svm模型进行训练，得到最终的分类结果。
[0056]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0058]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。